土壤水分是农业、水文、气象学等研究中的一个关键变量,在水循环中扮演着重要的角色,对地表蒸发、径流、感热和潜热分配均有影响。如何获得时间和空间上连续的高精度土壤水分信息一直是国内外学者们重点研究的内容。从20世纪90年代开始,科学家们逐渐将数据同化方法引入到地球表层科学和水文学领域中,开展了土壤水分数据同化的研究工作。虽然土壤水分数据同化已经历了近二十年的发展,但是随着从单点到区域乃至全球性应用程度的不断深入,仍然存在一些自身固有的及同化系统普遍存在的问题需要解决,如根区土壤水分的估计、土壤属性参数的空间异质性、同化系统中模型预报误差和观测误差的方差及协方差矩阵估计等问题。特别是目前模型土壤属性参数不确定性限制了土壤水分同化精度的提高。针对上述问题,本论文以集合卡尔曼平滑(Ensemble Kalman Smoother,EnKS)和集合卡尔曼滤波(Ensemble Kalman Filter,EnKF)两种同化算法为基础,利用黑河上游阿柔冻融观测站的数据,开展了状态-参数同步估计的土壤水分同化研究,并将研究成果应用于农田土壤水分估计。论文主要研究内容与结论如下:1)土壤属性参数不确定性和土壤水分观测频率对土壤水分同化系统性能影响的研究。基于简单生物圈模型(Simple Biosphere Model 2,SiB2),分别利用EnKS和EnKF同化表层土壤水分观测数据,并研究土壤属性参数不确定性和观测频率对土壤水分估计精度的影响程度。结果表明,土壤属性参数的不确定对表层土壤水分模拟的结果影响最大,对深层的影响相对较小;利用EnKF和EnKS同化表层土壤水分观测数据,均能够显著提高表层和根区土壤水分估计的精度;EnKS受参数不确定性和观测频率的影响小于EnKF,并且前者对表层土壤水分的估计优于后者;在观测资料稀少的情况下,EnKS算法性能的优越性表现得更为突出。2)土壤水分与土壤属性参数同步估计的研究。基于SiB2模型、EnKS和EnKF算法,发展了双EnKS和EnKS-EnKF两种状态-参数同步估计的双通(Dual-pass)方法。利用站点观测的数据开展了三个数值实验,对土壤属性参数进行分层优化,并进一步研究观测频率对双EnKS和EnKS-EnKF的影响,以及这两种方法对根区土壤水分估计的能力。实验结果表明,利用表层土壤水分观测数据,双通方法可以优化表层及次表层的参数和土壤水分;EnKS-EnKF和双EnKS在参数估计上受观测频率和模型误差源种类的影响小于双EnKF,即EnKS对参数的估计比EnKF更为稳健。综合三个数值实验的结果,双EnKS对表层和根区土壤水分的估计均为最优,EnKS-EnKF次之;当观测数据充足时,考虑到存储量和耗时问题,可以用EnKS-EnKF替代双EnKS;当观测数据稀缺时,选用双EnKS更为合适。3)以减小驱动数据误差、背景场误差和模型结构不准确对参数估计的影响为目标的改进算法研究。在基于EnKS-EnKF的土壤水分同化系统的基础上引入一个简单有效的改进策略,用以减小其它误差在参数估计过程中的影响。对改进的EnKS-EnKF方法在集合大小、观测频率、驱动数据以及同化时间窗口长度方面的敏感程度进行分析。结果表明,改进的EnKS-EnKF能够降低其它误差对参数估计的影响,对观测频率、驱动数据和同化时间窗口长度的敏感程度小于标准的EnKS-EnKF,对参数估计的精度更高,稳健性更强;经过验证,当集合数≥50,改进的EnKS-EnKF在参数和土壤水分两方面的估计均能达到稳定;进一步分析表明,改进的EnKS-EnKF方法的适用性更强。4)改进EnKF算法中模型预报误差和观测误差方差及协方差矩阵估计的研究。随着时间的演进,EnKF算法往往过低估计预报误差协方差矩阵,并且模型生成的预测集合往往不包含真值,因此在研究内容3)的基础上,采用带有反馈信息的膨胀算法对EnKF进行改进,从而优化预报误差和观测误差方差及协方差矩阵的估计,对土壤属性参数和土壤水分的估计均起到了进一步的改进作用。5)改进的EnKS-EnKF方法在农田土壤水分估计中的应用。基于研究内容3)中改进的EnKS-EnKF方法,利用宇宙射线土壤水分观测系统(COsmic-ray Soil Moisture Observing System,COSMOS)和宇宙射线-土壤水分交互式模型(COsmic-ray Soil Moisture Interaction Code,COSMIC)反演的土壤水分观测数据同步估计农田土壤水分和土壤属性参数。研究结果表明,改进的EnKS-En KF方法能够有效地减小农田灌溉期间降水误差对参数估计造成的影响,对土壤属性参数和土壤水分的估计均优于标准的EnKS-EnKF方法。